comment lire FASTA dans les données et extraire les sous-séquences du fichier FASTA dans R

J'ai un petit fichier fasta de séquences d'ADN qui ressemble à ceci:

>NM_000016 700 200 234
ACATATTGGAGGCCGAAACAATGAGGCGTGATCAACTCAGTATATCAC

>NM_000775 700 124 236
CTAACCTCTCCCAGTGTGGAACCTCTATCTCATGAGAAAGCTGGGATGAG

>NM_003820 700 111 222
ATTTCCTCCTGCTGCCCGGGAGGTAACACCCTGGACCCCTGGAGTCTGCA

Questions:

1) Comment puis-je lire ce fichier fasta en R comme un dataframe où chaque ligne est une séquence d'enregistrement, la 1ère colonne est la refseqID et la 2ème colonne est la séquence.

2) Comment faire pour extraire des sous-suite (début, fin) emplacement?

NM_000016 1  3 #"ACA"
NM_000775 2  6 #"TAACC"
NM_003820 3  5 #"TTC"

source d'informationauteur Paul.jl

  1. 13

    Vous devriez jeter un oeil à la Biostrings paquet.

    library("Biostrings")

s = readDNAStringSet("nm.fasta")
subseq(s, start=c(1, 2, 3), end=c(3, 6, 5))
  2. 5
    library("Biostrings")

fastaFile <- readDNAStringSet("my.fasta")
seq_name = names(fastaFile)
sequence = paste(fastaFile)
df <- data.frame(seq_name, sequence)
  3. 2

    inspiré par sgibb la réponse ci-dessus, je réponds à la première question comme suit:

    #read fasta file into R as a dataframe: 1st column as "RefSeqID", 2nd column as "seq"

library("Biostrings")
fasta2dataframe=function(fastaFile){
s = readDNAStringSet(fastaFile)
RefSeqID = names(s)
RefSeqID = sub(" .*", "", RefSeqID) 
#erase all characters after the first space: regular expression matches a space followed by any sequence of characters and sub replaces that with a string having zero  characters 

for (i in 1:length(s)){
seq[i]=toString(s[i])
}

RefSeqID_seq=data.frame(RefSeqID,seq)
return(RefSeqID_seq)
}

    Exemple: 

    mydf = fasta2dataframe(myFastaFile.fasta)